数据分析和人工智能对全球能源使用的影响，以及可以做些什么来改善它。
7月22日我参加了一个面板在虚拟西方国家半导体会议名为“弯曲气候曲线:实现大数据、人工智能和云计算的可持续增长”。如今，虚拟会议是强制性的，但与实体会议相比，它能提供不同的体验。他们非常擅长传播信息，并且在网络方面相当有效。但是，根据我的经验，他们仍然错过了让体育活动变得如此有价值的大厅里的偶遇。准备工作也非常不同。不同于疫情期间我们都习惯了在临时办公室里进行的公司视频通话，这次座谈的音频和视频准备工作涉及一系列令人印象深刻的相机和灯光，它们装在两个黑色大箱子里。太显眼了，以至于送快递的人送来的时候说:“这是你的詹姆斯·邦德套装。”我还得到了详细的说明，说明什么应该和不应该在背景中可见。代表们被我困在前台。正如你在截图中看到的，我的光线很好，背景也没有分散注意力——考虑到面板主题的重要性，这是理想的。
我们的小组讨论紧随美国前副总统戈尔的主题演讲之后，他谈到了气候科学以及我们已经对地球造成的破坏。该小组的成立是为了解决气候变化的两个具体方面:
而且,
该小组由加州大学圣巴巴拉分校的Eric Masanet主持。其他小组成员包括英特尔的Samantha Alt, VMWare的Nicola Peill-Moelter，微软的Moe Tanabian，应用材料的Ellie yeh和谷歌的Cliff Young。Eric在讨论开始时指出，全球数据中心、网络和设备的总能源足迹约占全球用电量的6%。对数据的需求正在迅速增长。他提到，一些研究从现有趋势推断，数据量的增长将导致不断增加和不可持续的用电量。他也谈到了一些工作他和其他人与劳伦斯伯克利国家实验室合作进行的一项研究表明，数据中心的能源消耗已经趋于稳定。这是在计算量增长的同时，由于能源效率的相应提高。
讨论很快转向处理器及其底层制造技术还有多少改进空间。
我强调了三个关键点:首先，传统晶体管的能效提升正在放缓，无论摩尔定律还有2倍或10倍或更多的空间，跑道都不是无限的。无论是现在还是将来，分析和人工智能的效率提升都来自于算法和微架构的改进。这些方法旨在获得在固定能量包线内可实现的最佳答案，而不是理论上的最佳可能答案。其次，由于模具堆叠和先进的封装，我们看到了改进的开始。现在进入市场的解决方案在整体连接架构上仍然主要是二维的。然而，芯片之间真正的3D连接允许在更低的电容下进行更多的连接，在提高性能的同时降低能量，这就引出了我们的第三点。移动大量内存，使其在物理上接近高性能计算，即使没有进一步的摩尔式设备扩展，也有可能通过降低数据传输成本来显著提高系统能源效率。
其他小组成员对此表示赞同，分享了他们对继续实现处理器改进的可能选项的想法。Ellie yeeh谈到了MRAM等减少数据存储能量的非易失性内存技术。Samantha Alt谈到了构建云计算中心，使其运行时间与可再生能源的可用性相匹配。Cliff Young详细阐述了移动数据是一种非常低效的方式。Moe Tanabian主张边缘计算和超低功耗定制芯片，Nicola peil - moelter则谈到虚拟化带来的效率提升。
回到上面两个问题中的第一个，专家组的共识是，数据分析和人工智能是全球能源使用的可衡量贡献者，技术的持续改进使其影响处于可控范围内。第二点，也是小组讨论的关键结论是，虽然整个生态系统有很多改进的地方。最大的收获将来自于从更广泛的层面上看待能源效率，并共同开发跨越系统多层的解决方案。
在实践中会是什么样子呢?一个明确的起点是减少数据移动——如果数据可以在本地(例如在边缘服务器)处理，则不要将数据发送到云端，但可以在网关设备或甚至传感器上处理。在微控制器上添加加速器可能会增加用于计算的能量，但会大大减少用于无线电传输或闪存访问的能量。数据移动也可以通过芯片级的芯片堆叠、改进的内存系统架构和内存层次结构中多个级别的计算-近内存技术来减少。跨抽象层思考，愿意改变我们对信息需要在哪里以及如何处理和存储的假设，可以为我们和我们的行业提供弯曲气候曲线的机会。手臂的研究正在努力做到这一点，我们希望你们也是。听下面的录音全小组讨论下面!
|
|
|
|
|
|
|
|
|
|
留下回复